[논문 리뷰] Developing Knowledge-enhanced Chronic Disease Risk Prediction Models from Regional EHR Repositories

Jing Mei, Eryu Xia외 2명|arXiv (Cornell University)|2017. 07. 31.

Machine Learning in Healthcare참고 문헌 16인용 수 5

한 줄 요약

이 논문은 지역 전자건강기록(EHR) 레포지터리 자료를 활용해 지역별 만성질환 위험 예측 모델을 개발하기 위한 지식 강화 접근법을 제안한다. 임상 가이드라인(예: 집합 코hort 방정정식)을 지역 특화 EHR 데이터와 융합함으로써 당뇨병 환자에서 심혈관계 위험 예측 성능을 향상시켰으며, AUC가 0.723에 도달하여 표준 PCE 모델을 지역 코hort에 직접 적용한 결과보다 10.7% 높게 나타났다.

ABSTRACT

Precision medicine requires the precision disease risk prediction models. In literature, there have been a lot well-established (inter-)national risk models, but when applying them into the local population, the prediction performance becomes unsatisfactory. To address the localization issue, this paper exploits the way to develop knowledge-enhanced localized risk models. On the one hand, we tune models by learning from regional Electronic Health Record (EHR) repositories, and on the other hand, we propose knowledge injection into the EHR data learning process. For experiments, we leverage the Pooled Cohort Equations (PCE, as recommended in ACC/AHA guidelines to estimate the risk of ASCVD) to develop a localized ASCVD risk prediction model in diabetes. The experimental results show that, if directly using the PCE algorithm on our cohort, the AUC is only 0.653, while our knowledge-enhanced localized risk model can achieve higher prediction performance with AUC of 0.723 (improved by 10.7%).

연구 동기 및 목표

• 국가 수준의 위험 예측 모델이 지역 인구에 대해 일반화가 잘 되지 않는 문제를 해결하기 위해.
• 지역 의료 환경에서의 만성질환 위험 예측 정확도를 향상시키기 위해.
• 임상 지식을 지역 EHR 데이터와 융합해 보다 나은 모델 지역화를 위한 방법을 개발하기 위해.
• 실제 지역 코hort에서 지식 강화 모델의 성능을 표준 모델과 비교 평가하기 위해.

제안 방법

• 저자들은 지역 특화 인구 및 임상 패턴에 맞게 맞춤화된 위험 예측 모델을 개발하기 위해 지역 EHR 레포지터리를 활용한다.
• 모델 훈련 과정에 기존 임상 가이드라인, 특히 집합 코hort 방정식(PCE)을 통합함으로써 지식 주입을 적용한다.
• 모델은 PCE 프레임워크의 임상 해석 가능성과 구조를 유지하면서도 지역 데이터를 활용해 보정한다.
• 성능 평가는 receiver operating characteristic 곡선 아래 면적(AUC)을 사용하여, 지식 강화 모델을 지역 코hort에 직접 적용한 표준 PCE 모델과 비교한다.
• 지역 데이터 기반 학습과 외부 임상 지식 간의 균형을 유지함으로써 모델의 강건성과 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 지식 강화 모델은 표준 모델에 비해 지역 인구에서 만성질환 위험 예측 정확도를 향상시킬 수 있는가?
• RQ2 임상 가이드라인(예: PCE)을 지역 EHR 데이터와 융합하면 모델 성능에 어떤 영향을 미치는가?
• RQ3 국가 수준의 위험 모델을 지역 EHR 데이터로 보정함으로써 특정 지역 코hort에서의 예측 성능은 어느 정도 향상되는가?
• RQ4 지식 주입은 지역 위험 예측의 보정성과 분류 능력 향상에 기여하는가?

주요 결과

• 지식 강화 지역 모델은 당뇨병 환자 집단에서 ASCVD 위험을 예측하는 데 AUC 0.723을 달성했다.
• 지역 코hort에 직접 적용한 표준 집합 코hort 방정식(PCE)의 AUC는 뿐만 아니라 0.653에 그쳐 지역화가 잘 되지 않는 것으로 나타났다.
• 지식 강화 모델은 동일한 데이터셋에서 표준 PCE 모델 대비 AUC 기준 10.7% 향상된 성능을 보였다.
• 임상 지식과 지역 EHR 자료의 융합은 모델의 분류 능력 향상과 대상 인구에 대한 관련성 향상에 크게 기여했다.